The Inverted Dirac-Moshinsky Oscillator in Dimensions
本文推导了 (1+1) 维反向 Dirac-Moshinsky 振子的精确解，揭示了受 $SU(1,1)$ 对称性支配的纯连续谱，并识别了标志着真空不稳定性及类比于施温格效应的自发对产生过程的 Gamow 共振。
⚛️ Category
quant-ph
5886 篇论文
量子物理探索着物质与能量在微观尺度上最奇妙的行为，从神秘的叠加态到跨越空间的纠缠现象，这一领域正不断重塑我们对现实世界的理解。Gist.Science 致力于让深奥的 arXiv 预印本变得触手可及，我们追踪该分类下发布的每一份最新预印本，并为其提供两种解读视角：既包含通俗易懂的科普解读，也涵盖保留核心细节的技术摘要。
无论您是希望快速掌握前沿动态的科研工作者，还是对宇宙奥秘充满好奇的普通读者，这里都能为您提供清晰的研究概览。我们梳理了 arXiv 上量子物理板块的最新成果，确保您能第一时间读懂科学界的最新突破。下方列出了该领域刚刚发布的最新论文及其摘要。
Coherent Swap Regret and Channel-Proof Learning
本文引入了相干交换遗憾（coherent swap regret）作为针对局部 CPTP 映射偏差的量子学习基准，确立了偏差难度的三级景观，表明非幺正通道驱动了 的遗憾率，并提出了一种实现该界限的算法，以实现对通道防御型量子相关均衡（channel-proof quantum correlated equilibria）的去中心化学习。
Probing information theoretic measures of nonlinear ultracold quantum gases using phase-space distributions
本文利用 Wigner 和 Husimi 相空间分布计算了谐振阱中玻色-爱因斯坦凝聚态的一系列综合信息论度量，揭示了更强的斥力相互作用会驱动相空间去定域化并导致向经典结构的系统性偏移，同时阐明了所观测到的互信息反映的是平均场框架下的统计相关性，而非真正的粒子间纠缠。
Machine Learning-based Quantum Error Mitigation for Variational Algorithms
本文提出了一种实用的基于机器学习的量子误差缓解协议，该协议利用模拟的（近）Clifford 电路来生成训练数据，从而在噪声中等规模量子设备上的变分量子算法中，实现了有效的误差抑制以及优于零噪声外推法的性能。
A mean-field description of strong-to-weak symmetry breaking in the monitored three-dimensional Bose-Hubbard model
本文引入了一种用于模拟受监测的三维玻色-哈伯德系统的 Gutzwiller 平均场框架，证明了强到弱对称性破缺可以通过一个局部序参数来表征，该序参数与电荷锐化转变具有相同的临界点和标度指数。
Resonant delay in a stationary quantum clock: Lifting the threshold mask
本文重新审视了 Salecker–Wigner–Peres 静态量子钟，旨在识别并消除一个普遍的低能阈值奇异性，从而分离出真实的共振延迟贡献，并提供一种能够区分运动学阈值效应与极点敏感散射动力学的精细观测量。
Photonic Analog Quantum Simulation of (1+1)-Dimensional Lattice Gauge Theory with Dynamical Matter
本文提出了一种基于 Jaynes-Cummings-Hubbard 模型的光子模拟量子方案，通过将腔阵列中的极化激子跳跃映射到自旋-1/2 量子链路模型上，以此来复制具有动力学物质的 (1+1) 维 格点规范理论的实时动力学过程。
Nielsen complexity with multiple cost factors
本文通过引入与不同程度非局域性相关的成本因子层级，推导出了由此产生的修正测地方程，并论证了这一广义框架如何重塑单比特及多体 SYK 型系统中共轭点的结构与标度，从而对 Nielsen 的量子复杂度几何方法进行了扩展。
Apparent Fermionic Spectra for Bosonic Radiation: Accelerated Charge Kinematics
本文证明了加速的点电荷可以通过一种特定的运动学机制发射出表现出表观费米-狄拉克谱的玻色子光子，且该过程独立于热平衡、视界或统计系综。
Machine-Learning Prediction of Quantum Fisher Information from Collective Spin and Spectral Features
本文表明，机器学习（特别是支持向量回归）能够通过一组有限的、实验可获取的集体自旋和光谱特征，准确预测多体系统的量子费舍尔信息，从而实现在无需进行全量子态层析成像的情况下估计计量灵敏度。